arXiv:2601.07796 72 12 янв. 2026 г. PRO

Активное размышление: почему одни учатся через диалог с LLM, а другие нет

КЛЮЧЕВАЯ СУТЬ

50 сообщений с LLM могут дать ноль прибавки к знаниям. Анализ 397 диалогов показал: знания растут не от качества объяснений модели, а от того, КАК ты вовлекаешься. Читаешь подробные ответы пассивно — информация проходит мимо. Проговариваешь мысли вслух, задаёшь уточнения, формулируешь догадки — учишься. Фишка: LLM не передаёт знания, она работает как зеркало твоего мышления. Модель даёт материал, но учишься ты сам — через проговаривание своих мыслей в чат.

Адаптировать под запрос

Контент доступен только для PRO подписчиков

Чтобы получить доступ к полному содержанию этого исследования, оформите PRO подписку

💳 Оплатить через Геткурс

YandexPay • SberPay • СБП • Карты РФ

⚡ Оплатить через Tribute

Telegram Stars • Моментальный доступ

Узнать о PRO

📋 Дайджест исследования

Контент доступен только для PRO подписчиков

Чтобы получить доступ к дайджесту этого исследования, оформите PRO подписку

💳 Оплатить через Геткурс

YandexPay • SberPay • СБП • Карты РФ

⚡ Оплатить через Tribute

Telegram Stars • Моментальный доступ

Узнать о PRO

Контент доступен только для PRO подписчиков

Чтобы получить доступ к концептам этого исследования, оформите PRO подписку

💳 Оплатить через Геткурс

YandexPay • SberPay • СБП • Карты РФ

⚡ Оплатить через Tribute

Telegram Stars • Моментальный доступ

Узнать о PRO

📖 Простыми словами

Контент доступен только для PRO подписчиков

Чтобы получить доступ к упрощённому объяснению этого исследования, оформите PRO подписку

💳 Оплатить через Геткурс

YandexPay • SberPay • СБП • Карты РФ

⚡ Оплатить через Tribute

Telegram Stars • Моментальный доступ

Узнать о PRO

Работа с исследованием

Адаптируйте исследование под ваши задачи или создайте готовый промпт на основе техник из исследования.

Выберите модель ИИ:

Ваш запрос:

0 / 2000

~0.5-2 N-токенов ~10-30с

~0.3-1 N-токенов ~5-15с

Что это такое?

Это исследование того, КАК люди учатся в диалоге с LLM на политические темы. Исследователи создали чатбота (Arthos), который общался с людьми о политических вопросах (преступность, качество воздуха, безработица в США и Индии), и измеряли:

Изменение знаний (knowledge gain) - до и после разговора

Изменение уверенности в своих знаниях (confidence change)

Ключевые находки:

Медиация: Эффект объяснений LLM работает ЧЕРЕЗ вовлечённость пользователя

Для уверенности: LLM объяснения → инсайты пользователя → рост уверенности (частичная медиация)
Для знаний: LLM объяснения → когнитивная вовлечённость → знания (полная медиация)

Модерация: Эффекты зависят от:

Political efficacy (насколько человек чувствует себя способным понимать политику)
Insight (рефлексивность пользователя)
Confusion/help-seeking (запросы помощи)
Длина разговора

Ключевые находки:

Для confidence: важно КАК пользователь обрабатывает неопределённость. Запросы помощи повышают уверенность только у рефлексивных пользователей (high insight), но снижают у пассивных.

Для knowledge: длинные разговоры приносят пользу только тем, кто высокорефлексивен и чувствует себя компетентным в политике. Остальные не получают прироста знаний от расширения диалога.

Главное здесь то, что обучение через LLM — это не просто результат качественных объяснений, а зависит от того, насколько активно и рефлексивно пользователь участвует в процессе.

Исследование фокусируется на механизмах обучения в диалоге с LLM, а не на оптимизации самой системы. Из этого можно выделить несколько практических принципов: появление в сообщениях маркеров понимания — "понял", "ясно", "то есть" — служит индикатором того, что обучение происходит, и такие маркеры коррелируют с ростом уверенности. Кроме того, количество сообщений в разговоре само по себе не гарантирует лучший результат; всё зависит от качества вовлечённости и рефлексивности участника.

Выражение замешательства и запросы помощи работают только в сочетании с демонстрацией собственных инсайтов; просто просить объяснения без осмысления может снизить уверенность. Наконец, подробные объяснения от LLM приносят больше пользы, чем краткие ответы, но при условии, что человек активно размышляет над полученной информацией.

Исследование сосредоточено на выявлении факторов, влияющих на обучение в диалоге с LLM, а не на описании конкретной методики. Ключевой вывод: эффективность обучения определяется взаимодействием между качеством объяснений модели и степенью активного участия пользователя. Учёные проанализировали 397 диалогов на политические темы, чтобы выявить эти закономерности.

Главное открытие состоит в том, что объяснения LLM не действуют по простой схеме "больше информации = больше знаний". Результаты зависят от характеристик самого пользователя — его политической самооценки и уровня вовлечённости в беседу. Один и тот же контент может привести к приросту знаний у человека с высокой уверенностью в своих знаниях, но не сработает для того, кто сомневается в своём понимании темы.

Когда пользователь проходит через процесс осознания собственной неопределённости и её разрешения, уверенность растёт. Если же он просто задаёт вопросы без такого инсайта, уверенность падает. Добавление объяснительных характеристик LLM значительно улучшило соответствие модели (χ² diff = 21.41, df = 11, p < .05), что подтверждает систематическую связь между лингвистическими особенностями и результатами обучения. Взаимодействие между инсайтом и длиной разговора также оказало значимый эффект (χ² diff = 6.39, df = 1, p < .05) — более длинные разговоры способствуют приросту знаний только при высоких уровнях инсайта, тогда как при низких уровнях эта связь слаба и незначима. Это указывает на то, что способность к рефлексии позволяет пользователям более эффективно использовать расширенное взаимодействие, превращая его в накопительный прирост знаний.

Политическая эффективность также взаимодействует с длиной разговора значимым образом (χ² diff = 5.80, df = 1, p < .05). Пользователи с высокой эффективностью демонстрируют больший прирост знаний в более длинных беседах, в то время как для пользователей с низкой политической эффективностью длина разговора не связана с приростом знаний. Те, кто обладает более высокой политической эффективностью, взаимодействуют активнее и целенаправленнее в продолжительных разговорах, что позволяет им преобразовывать расширенное взаимодействие в прирост знаний.

Эти взаимодействия показывают, что расширенное диалоговое взаимодействие приносит наибольшую пользу пользователям с большими рефлексивными и мотивационными ресурсами, предоставляя минимальные выгоды для тех, у кого низкая политическая эффективность. Исследование демонстрирует, что обучение в диалоге с LLM зависит от индивидуальных характеристик — люди с более высокой политической эффективностью лучше используют возможности расширенного взаимодействия для развития знаний.

Детальные объяснения от модели способствуют росту знаний только у активно размышляющих пользователей, которые задают вопросы и выражают сомнения. Продолжительные диалоги приносят пользу преимущественно тем, кто формулирует инсайты в процессе беседы, в то время как для остальных длительность разговора не влияет на прирост знаний. Интересно, что некоторая путаница в диалоге может быть полезной, если она стимулирует дальнейшее размышление.

Когда человек признает непонимание и активно работает над решением, его уверенность растет, но если он просто просит помощи без собственных усилий, эффект противоположный. Люди с высокой политической компетентностью извлекают больше из длинных диалогов, чем те, кто менее уверен в этой области. Исследование не предлагает готовые техники для промптинга, а скорее раскрывает механизм обучения в диалоге с языковой моделью, показывая, что результаты зависят от активного участия и исходного уровня компетентности пользователя.

Меню

Активное размышление: почему одни учатся через диалог с LLM, а другие нет

Контент доступен только для PRO подписчиков

Контент доступен только для PRO подписчиков

Контент доступен только для PRO подписчиков

Контент доступен только для PRO подписчиков

Работа с исследованием

Результат адаптации